UTILIZAÇÃO DE UM ALGORITMO DE ASSOCIAÇÃO PARA A DESCOBERTA DE ASPECTOS RELACIONADOS À REPETÊNCIA ESCOLAR
Stella Oggioni da Fonseca1- stella.oggioni@gmail.com Adriana da Rocha Silva2 - arsilva@iprj.uerj.br
Anderson Amendoeira Namen3 - aanamen@iprj.uerj.br
1,2Universidade do Estado do Rio de Janeiro, Instituto Politécnico – Nova Friburgo, RJ, Brasil
3Universidade do Estado do Rio de Janeiro, Instituto Politécnico e Universidade Veiga de Almeida – Nova Friburgo, RJ, Brasil
Resumo. O presente artigo efetua um estudo exploratório acerca de aspectos relacionados à repetência escolar dos alunos do 9o ano do ensino fundamental, residentes no Estado do Rio de Janeiro. Por intermédio dos dados coletados pela Prova Brasil, analisam-se características ligadas aos discentes que estão associadas à repetência. Para a extração destas informações, foram conduzidas etapas de limpeza e tratamento dos dados e a aplicação do algoritmo de associação Apriori, utilizado na etapa de mineração de dados. São apresentadas conclusões a respeito do modelo gerado e dos resultados obtidos.
Palavras-chave: Repetência Escolar, Dados Educacionais, Prova Brasil, Mineração de Dados, Algoritmo Apriori.
1. INTRODUÇÃO
A Prova Brasil é uma avaliação desenvolvida pelo Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep) com a finalidade de efetuar um diagnóstico da qualidade do ensino básico ofertado nas escolas públicas. A primeira edição da Prova Brasil ocorreu em 2005 e, desde então, acontece bienalmente. Em 2013, ano em que os dados utilizados no presente trabalho foram coletados, esta avaliação foi composta de testes de Língua Portuguesa e Matemática, bem como de questionários visando à obtenção de informações a respeito dos discentes, professores, diretores e escolas (Inep, 2015).
Por intermédio dos dados provenientes da aplicação da Prova Brasil, pesquisas vêm sendo conduzidas com o intuito de obter possíveis explicações para os fenômenos educacionais e, consequentemente, nortear melhorias no processo ensino-aprendizagem.
Diante desta perspectiva, o presente trabalho apresenta resultados iniciais referentes à mine- ração de dados relacionados aos alunos do 9o ano do ensino fundamental, inseridos em escolas do Estado do Rio de Janeiro. Segundo Fayyad & Piatetsky-Shapiro & Smyth (1996), a minera- ção de dados consiste na aplicação de algoritmos capazes de extrair informações embutidas em
grandes volumes de dados. Para a descoberta de conhecimento, a mineração engloba conceitos advindos da Estatística e Aprendizagem de Máquina.
O objetivo do trabalho é aplicar o algoritmoAprioripara mineração das regras de associação entre as características dos discentes e a repetência escolar. Mais especificamente, por meio das respostas dadas às perguntas presentes no questionário, busca-se identificar as variáveis que caracterizam os estudantes que poderiam estar associadas à repetência.
O artigo apresenta, inicialmente, as tarefas de seleção, limpeza e tratamento dos dados que foram efetuadas. Posteriormente, são abordados, de forma sucinta, os conceitos do algoritmo Apriori, responsável pela descoberta de associações entre as variáveis. Finalmente, são expostos os resultados iniciais obtidos e as conclusões extraídas.
2. BASE DE DADOS E METODOLOGIA
Os dados da Prova Brasil são de acesso público e podem ser encontrados nosite do Inep (vide www.inep.gov.br). Para cumprir o objetivo exposto no escopo deste artigo, foi efetuado o download do arquivo intitulado TS_ALUNO_9EF. Este arquivo contém 2720588 registros correspondentes, em âmbito nacional, aos alunos do 9o ano do ensino fundamental, com 92 campos que compreendem diversos atributos identificadores (informações como turma, escola e estado em que os alunos estão inseridos), as notas obtidas nos testes de Matemática e Língua Portuguesa, bem como as respostas dadas às 57 perguntas presentes no questionário.
O questionário preenchido pelos estudantes captura informações acerca do perfil socioe- conômico, cotidiano, hábitos de leitura e estudo, trajetória escolar, incentivo familiar e suas percepções com relação à escola. Além disso, versa sobre a repetência, ou seja, o aluno indica se já foi reprovado. Conforme mencionado, esta última informação é central para o presente estudo.
As etapas conduzidas para a descoberta de conhecimento são apresentadas na Fig. 1.
Figura 1- Metodologia utilizada para a descoberta de conhecimento
A metodologia apresentada na Fig. 1 consiste de três etapas centrais: pré-processamento, mineração de dados e pós-processamento. Tais etapas serão descritas nas seções posteriores.
3. PRÉ-PROCESSAMENTO
O propósito do pré-processamento é selecionar os dados e transformá-los em um formato apropriado para futuras análises (Tan & Steinbach & Kumar, 2009). Assim, nesta etapa são executadas tarefas como remoção de dados faltantes, transformação de atributos e seleção de variáveis com o intuito de reduzir a dimensionalidade.
3.1 Seleção dos dados
Para executar as tarefas de seleção e manipulação dos dados, o arquivo TS_ALUNO_9EF foi importado para o software PostgreSQL (The PostgreSQL Global Development Group, 1995), que é um sistema gerenciador de banco de dadosopen sourcee que suporta tabelas com extensão .csv(Comma-Separated Values), formato em que se encontra o arquivo mencionado. Por meio de códigos escritos em SQL (Structured Query Language) noPostgreSQL, foi possível realizar diversas operações relacionadas aos registros (que compõem as linhas de uma tabela) e aos atributos (que compõem as colunas de uma tabela).
Inicialmente foram selecionados os alunos residentes no Estado do Rio de Janeiro. Esta identificação foi efetuada por meio do atributo numérico ID−UF. Como o código correspon- dente ao Rio de Janeiro é o número 33, foram selecionados os registros de alunos cujo ID−UF alocava o referido valor. Após esta seleção, restaram para o estudo 157602 estudantes.
Como se objetivou analisar as respostas dadas pelos discentes, foram selecionados somente os alunos que efetuaram o preenchimento do questionário. Esta identificação ocorre por in- termédio do atributo IN−PREENCHIMENTO−QUESTIONARIO. O conjunto de dados foi re- duzido para 116441 registros. Finalmente, foi decidido manter na base de dados somente os discentes que responderam a, no mínimo, 70% das 57 questões. Portanto, restaram 113300 registros de alunos para as análises posteriores.
3.2 Transformação de atributos
Após a etapa de seleção, todos os 57 atributos do arquivo TS_ALUNO_9EF, que correspon- dem às perguntas do questionário, tiveram seus valores alterados, pois em seu conteúdo havia somente um caractere que representava a resposta escolhida (letra “A”, “B”, “C”, ...). Esses caracteres foram alterados para umstring, contendo a resposta correspondente à letra, de modo que os resultados obtidos pela mineração pudessem ter mais fácil visualização, propiciando melhor entendimento por parte do usuário.
Foi necessário, ainda, analisar a questão a respeito da repetência. Esta pergunta tem o seguinte enunciado:
Questão 48) Você já foi reprovado?
A - Não;
B - Sim, uma vez;
C - Sim, duas vezes ou mais.
A partir desta questão, foi criado o atributo categóricoRepetência. Logo, caso o estudante tivesse respondido a alternativa “A”, seria indicado como não repetente. As alternativas “B”
e “C” foram agregadas, uma vez que ambas expressam a situação de repetência do discente.
Ademais, 848 alunos não responderam à esta questão e, portanto, foram removidos da base de dados. Após esta remoção, permaneceram 112452 registros na tabela TS_ALUNO_9EF.
Informações sobre as categorias da variávelRepetênciasão apresentadas na Tabela 1.
Tabela 1- Categorias da variável alvoRepetência
Questão 48:
Você já foi reprovado? Repetência Node Alunos
Média no teste de Matemática
Média no teste de Língua Portuguesa
“A” - Não Não 72777 254,98 250,59
“B” - Sim, uma vez
“C” - Sim, duas vezes ou mais Sim 39675 229,83 223,40
A Tabela 1 mostra que cerca de 35% do total de alunos presentes na base já foram reprova- dos. Ela apresenta, ainda, a média obtida nos testes das disciplinas de Matemática e Língua Por- tuguesa aplicados pela Prova Brasil 2013. É importante mencionar que a escala de proficiência varia de 0 a 500. Nota-se uma diferença de aproximadamente 25 e 27 pontos, respectivamente, em Matemática e Língua Portuguesa, entre alunos não repetentes e repetentes.
Após estas análises, se objetivou buscar relações entre as variáveis que alocavam as respos- tas dadas às perguntas presentes no questionário e a variável alvo criada, denominadaRepetên- cia, com as categorias “Sim” e “Não”.
3.3 Redução de dimensionalidade
Conforme mencionado, o questionário preenchido pelos estudantes é composto por 57 per- guntas. Para reduzir a dimensionalidade, foram selecionadas algumas variáveis para o processo de mineração de dados. A seleção destas variáveis foi efetuada por uma medida denominada Incerteza Simétrica, que baseia-se no conceito de entropia (Quinlan, 1986).
SejaD = {X1, X2, . . . , Xn, C}, comn ≥ 1, o conjunto comn+ 1atributos de uma base de dados, ondeCé o atributo alvo composto de{c1, c2, . . . , cm}, comm ≥2, categorias. Seja ainda um atributo arbitrário Xl ∈ D, com l = 1, . . . , n, cujos valores são {xl1, xl2, . . . , xlq}, sendoq≥1. Define-se a entropia, denotada porH, do atributoXlcomo:
H(Xl) = −
q
X
i=1
pilog2(pi), (1)
ondepi é a razão entre o número de registros da base em que ocorre o valorxli e o número total de registros.
Pode-se estender os conceitos e definir a entropia condicional da variável alvoC, dado o atributo Xl, uma vez que precisa-se avaliar o grau de associação entre o atributo e a variável alvo. Então, sabendo-se quepj|ié a razão entre o número de registros que pertencem à categoria cj em que ocorre o valor xli do atributo Xl, e o número total de registros da base, a entropia condicional é dada por:
H(C|Xl) =−
q
X
i=1 m
X
j=1
pj|ilog2 pj|i
pi
. (2)
Quanto menor for o valor deH(C|Xl), mais informativo um atributo será em relação ao alvo.
Por meio destas definições, formulou-se uma expressão que avalia a qualidade do atributo, expressão esta denominada Ganho de Informação (Information Gain) (Quinlan, 1986). O ga- nho é obtido subtraindo-se a entropia do atributo alvo pela entropia condicional. Em termos matemáticos, tem-se:
Ganho(C|Xl) = H(C)−H(C|Xl). (3)
Quanto maior o valor do ganho ou, equivalentemente, quanto menor o valor da entropia condicional, uma vez que a informação do atributo alvo H(C)é fixa, melhor será a qualidade do atributo. Portanto, a relação H(C)−H(C|Xl) indica a quantidade de informação que o atributoXl traz para a discriminação do atributo alvoC. No entanto, segundo Quinlan (1986), este critério tende a selecionar atributos com um número maior de valores. Para contornar este problema, pode-se normalizar a Eq. (3), o que resulta na medida Incerteza Simétrica.
A medida Incerteza Simétrica divide o ganho pela soma entre a entropia do atributo e a entropia do atributo alvo. O valor resultante é ainda multiplicado pelo fator 2 para que os valores desta métrica recaiam no intervalo[0,1]. Portanto, o critério Incerteza Simétrica, denotado por U, é dado por:
U(C|Xl) = 2
Ganho(C|Xl) H(C) +H(Xl)
= 2
H(C)−H(C|Xl) H(C) +H(Xl)
. (4)
Quando esta expressão assume o valor máximo1, indica que o atributo Xl está completa- mente correlacionado com o atributo alvo C. Por outro lado, se a expressão resulta no valor mínimo0, indica que estes atributos são independentes, ou seja, não há qualquer correlação.
No presente trabalho foi utilizado osoftwareWeka (The University of Waikato, 1999) para computar os valores da medida Incerteza Simétrica. Estesoftwareé de código aberto e possui uma série de critérios de seleção de atributos e algoritmos de mineração de dados. Mais detalhes desta ferramenta podem ser vistos em Witten & Frank & Hall (2011).
Ao computar a medida Incerteza Simétrica para cada variável presente na base de dados TS_ALUNO_9EF, identificou-se as mais correlacionadas com o atributo alvo Repetência. A Tabela 2 apresenta as oito questões ranqueadas de acordo com a medida. As variáveis foram intituladas pelos autores do presente artigo de modo a facilitar a interpretação dos resultados posteriores.
Tabela 2- Variáveis ranqueadas pela medida Incerteza Simétrica
# Questão Enunciado Valores Variável
1 49 Você já abandonou a escola durante o período de aulas e ficou fora da escola o resto do ano?
A - Não;
B - Sim, uma vez;
C - Sim, duas vezes ou mais.
Q49_AbandonouEscola
2 45 Atualmente você trabalha fora de casa (recebendo ou não salário)?
A - Sim;
B - Não. Q45_TrabalhaFora
3 57 Sua pretensão após terminar o 9oano.
A - Somente continuar estudando;
B - Somente trabalhar;
C - Continuar estudando e trabalhar;
D - Ainda não sei.
Q57_Pretensao
4 01 Qual é o seu sexo? A - Masculino;
B - Feminino. Q01_Sexo
5 26 Com qual frequência seus pais, ou
responsáveis por você, vão à reunião de pais?
A - Sempre ou quase sempre;
B - De vez em quando;
C - Nunca ou quase nunca.
Q26_PaisVaoAReuniao
6 33 Com qual frequência você lê livros em geral?
A - Sempre ou quase sempre;
B - De vez em quando;
C - Nunca ou quase nunca.
Q33_LeLivros
7 43
Em dia de aula, quanto tempo você gasta assistindo à TV, navegando na internet ou jogando jogos eletrônicos?
A - Menos de 1 hora;
B - Entre 1 e 2 horas;
C - Mais de 2 horas, até 3 horas;
D - Mais de 3 horas;
E - Não vejo.
Q43_TempoVendoTVInternet
8 54 Você faz o dever de casa de Matemática?
A - Sempre ou quase sempre;
B - De vez em quando;
C - Nunca ou quase nunca;
D - Não passam dever.
Q54_FazDeverDeMatematica
Foi possível identificar que a variável nomeada como Q49_AbandonouEscola, correspon- dente à pergunta de número 49 no questionário, é a que melhor permite a discriminação entre as categorias presentes no atributo alvo. A segunda melhor é a variável Q45_TrabalhaFora, e assim sucessivamente. Portanto, no processo de mineração de dados, buscaram-se relações entre as oito variáveis apresentadas na Tabela 2 e a variável alvoRepetência.
4. DESCOBERTA DE ASSOCIAÇÕES: MINERAÇÃO DE DADOS
No processo de mineração de dados foi aplicada uma metodologia conhecida como análise de associação, útil para descobrir relacionamentos embutidos em grandes conjuntos de dados.
Os relacionamentos encontrados podem ser representados na forma de regras de associação.
Uma regra de associação tem o formatoA −→ B, ondeA eB são conjuntos disjuntos de itens (atributos, com seus respectivos valores), isto é, A ∩ B = ∅. Aé o antecedente e Bé o consequente da regra. Além disso, a força de uma regra pode ser avaliada em termos de duas medidas: o suporte e a confiança.
Inicialmente, defina-se suporte de um conjunto arbitrárioGcomo:
sup(G) = σ(G)
N , (5)
ondeσ(·)é o número total de ocorrências de registros contendo o conjunto de itens, no caso,G, eN é o número total de registros na base de dados.
Assim, o suporte de uma regraA −→ B determina a frequência com que um conjunto de itensA ∪ Bocorre, ou seja, é o percentual de ocorrências de registros que contêm todos os itens para os quais uma regra é aplicável. A confiança determina a frequência na qual os itens deB aparecem em ocorrências que contenhamA. Em outras palavras, a confiança não trabalha com todas as ocorrências, apenas com as que possuem o antecedente da regra. Para uma determinada regraA −→ B, quanto maior a confiança, maior a probabilidade de queB esteja presente em ocorrências que contenhamA.
Em termos matemáticos, o suporte e confiança são definidos, respectivamente, como:
sup(A −→ B) =sup(A ∪ B) e conf(A −→ B) = sup(A −→ B) sup(A) .
O objetivo da mineração de regras de associação é gerar todas as regras possíveis que satis- façam os valores mínimos de suporte e de confiança determinados pelo usuário. O problema, portanto, é decomposto em dois subproblemas:
1. Gerar todos os conjuntos de itens que possuem suporte maior do que um limite mínimo especificado. Esses conjuntos são chamados de conjuntos de itens frequentes;
2. Para cada conjunto de itens frequentes, gerar todas as regras que possuem confiança maior que um valor de confiança mínimo.
Para solucionar estes subproblemas, foi utilizado o algoritmoApriori(Agrawal & Srikant, 1994). Este algoritmo realiza a etapa de mineração de dados em dois passos. No primeiro, é feita uma varredura sobre a base de dados de entrada, a fim de gerar todos os conjuntos de combinações de itens que satisfaçam um valor maior do que o suporte mínimo definido pelo usuário. No segundo passo, são extraídas todas as regras de alta confiança dos conjuntos gera- dos. Estas regras, que satisfazem o limitante especificado da medida confiança, são chamadas
de regras fortes. Detalhes do algoritmoAprioripodem ser encontrados em Han & Kamber &
Pei (2012) e Tan & Steinbach & Kumar (2009).
No presente trabalho, foi utilizada uma implementação do algoritmoAprioridisponibilizada dentro dosoftwareWeka.
4.1 Outras medidas para avaliar as regras de associação
Outras medidas para avaliar as regras devem ser definidas, uma vez que a confiança apre- senta algumas limitações e pode originar uma situação conhecida como armadilha de confiança.
Para exemplificar essa questão, é apresentado um exemplo clássico, no contexto da análise de associação, retirado de Tan & Steinbach & Kumar (2009). Os autores abordam que mesmo va- lores significativos de confiança podem não identificar uma regra relevante. A Tabela 3 mostra uma situação onde se busca analisar o relacionamento entre pessoas que bebam chá e café.
Tabela 3- Preferências de bebida em um grupo de 1000 pessoas
Bebe café Não bebe café Total
Bebe chá 150 50 200
Não bebe chá 650 150 800
Total 800 200 1000
Fonte: Tan & Steinbach & Kumar (2009, p. 445).
Nota-se que, a princípio, a regra {Bebe chá} −→ {Bebe café} poderia ser considerada relevante, pois seus valores de suporte (15%) e confiança (75%) são relativamente altos. No entanto, pode-se observar que 80 por cento do número total de pessoas bebe café independente de beberem chá, enquanto o percentual de pessoas que bebem chá e café é 75 por cento. Assim, a regra de associação{Bebe chá} −→ {Bebe café}é ilusória, já que o fato de uma pessoa beber chá, na realidade, diminui a possibilidade de que beba café de 80 para 75 por cento.
Na Tabela 4 são apresentadas outras medidas que possuem informação adicional, evitando situações enganosas, como a mencionada acima. Mais detalhes acerca das medidas apresenta- das podem ser vistas em Tan & Steinbach & Kumar (2009) e Hahsler (2015).
Tabela 4- Medidas para avaliar uma regraA −→ B
Medida Definição Intervalo
da Medida Descrição
Lift conf(A−→B)sup(B) [0,∞)
<1(AeBsão relacionados negativamente)
= 1(AeBsão independentes)
>1(AeBsão relacionados positivamente) Leverage sup(A −→ B)−(sup(A)sup(B)) [−0,25,0,25]
<0(AeBsão relacionados negativamente)
= 0(AeBsão independentes)
>0(AeBsão relacionados positivamente) Conviction 1−conf(A−→B)1−sup(B) [0,∞)
<1(AeBsão relacionados negativamente)
= 1(AeBsão independentes)
>1(AeBsão relacionados positivamente)
Os valores das medidas suporte e confiança são calculados durante a execução do algoritmo Aprioricom o intuito de gerar as regras. Já as medidas definidas na Tabela 4 foram computadas pelos autores do presente artigo. O cálculo foi implementado em linguagem SQL, ao importar as regras para oPostgreSQL.
5. MODELO GERADO E PÓS-PROCESSAMENTO
Por meio da base de dados estruturada, composta por 112452 registros de alunos, as oito variáveis apresentadas na Tabela 2, com seus respectivos valores, e o atributo alvoRepetência, com as categorias “Sim” e “Não”, procurou-se identificar o perfil dos alunos do 9oano do ensino fundamental que eram repetentes.
Para a execução do algoritmoApriori, foram definidos como valores mínimos o suporte de 0,5% e confiança de 70%. Cabe salientar que o pequeno valor de suporte mínimo especificado objetivou a identificação de combinação de itens que, apesar de não tão frequentes, pudessem ter grande relevância (as medidas computadas revelam a relevância das regras encontradas).
Ademais, como tem-se um grande volume de dados (112452 registros), a utilização de um suporte de 0,5% ainda possibilitou a extração de regras relacionadas a um grupo de estudantes significativo. Mais especificamente, com este suporte, as regras que foram obtidas envolveram conjuntos de pelo menos 562 registros de alunos com características idênticas.
O modelo gerado pelo algoritmoApriorificou composto por 27 regras com o consequente
“Repetência = Sim”. As primeiras 10 regras, ordenadas decrescentemente pela confiança, são apresentadas na Tabela 5.
Tabela 5- Regras com o consequente indicando a repetência e os valores das medidas
Regra Sup Conf Lift Leverage Conviction
{Q45_TrabalhaFora=Sim, Q49_AbandonouEscola=Sim uma vez, Q57_Pretensao=Continuar estudando e trabalhar} 799
−→{Repetencia=Sim} 616
0,005478 0,77 2,182433 0,002971 2,813838 {Q01_Sexo=Masculino, Q45_TrabalhaFora=Sim, Q49_Abandonou
Escola=Sim uma vez} 769−→{Repetencia=Sim} 591 0,005256 0,77 2,182433 0,002843 2,813838 {Q45_TrabalhaFora=Sim, Q49_AbandonouEscola=Sim uma vez} 1171
−→{Repetencia=Sim} 884 0,007861 0,75 2,125747 0,004187 2,588731
{Q01_Sexo=Masculino, Q49_AbandonouEscola=Sim uma vez, Q57_Pretensao=Continuar estudando e trabalhar} 1357−→
{Repetencia=Sim} 1007
0,008955 0,74 2,097403 0,004697 2,489165 {Q26_PaisVaoAReuniao=De vez em quando, Q49_AbandonouEscola=
Sim uma vez, Q57_Pretensao=Continuar estudando e trabalhar} 1106
−→{Repetencia=Sim} 820
0,007292 0,74 2,097403 0,003822 2,489165 {Q49_AbandonouEscola=Sim uma vez, Q54_FazDeverDeMatematica=
Sempre ou quase sempre, Q57_Pretensao=Continuar estudando e trabalhar} 1091−→{Repetencia=Sim} 800
0,007114 0,73 2,06906 0,003691 2,396973 {Q33_LeLivros=De vez em quando, Q49_AbandonouEscola=Sim uma
vez, Q57_Pretensao=Continuar estudando e trabalhar} 1413−→
{Repetencia=Sim} 1023
0,009097 0,72 2,040717 0,004664 2,311367 {Q49_AbandonouEscola=Sim uma vez, Q57_Pretensao=
Continuar estudando e trabalhar} 2803−→{Repetencia=Sim} 2027 0,018025 0,72 2,040717 0,009231 2,311367 {Q01_Sexo=Masculino, Q49_AbandonouEscola=Sim uma vez,
Q54_FazDeverDeMatematica=Sempre ou quase sempre} 937
−→{Repetencia=Sim} 677
0,00602 0,72 2,040717 0,003081 2,311367 {Q26_PaisVaoAReuniao=De vez em quando, Q45_TrabalhaFora=
Não, Q49_AbandonouEscola=Sim uma vez, Q57_Pretensao=
Continuar estudando e trabalhar} 785−→{Repetencia=Sim} 567
0,005042 0,72 2,040717 0,002579 2,311367
Nas regras apresentadas, o número apresentado antes do símbolo “−→” indica a quantidade de estudantes que assinalaram as mesmas alternativas nas questões expostas. Considerando a regraA −→ B, esta quantidade é o σ(A). O número posterior à variável alvo corresponde à quantidade de discentes para o qual o consequente da regra se aplica. Este valor é oσ(A ∪ B).
Todas as regras possuíram valores da medidaLifteConvictionsuperiores a um, bem como valores da medidaLeveragemaiores do que zero. Portanto, a relevância exposta pela confiança foi confirmada.
Ao analisar as regras geradas apresentadas na Tabela 5, alguns aspectos puderam ser iden- tificados. Observa-se que foi possível corroborar a relação entre repetência e evasão. Diversas pesquisas apontam que a repetência é diretamente responsável pela evasão escolar e pela defa- sagem em relação à idade-série (Leon & Menezes-Filho, 2002).
Outro aspecto importante a ser citado consiste na situação econômica dos discentes. Nota- se que no antecedente das regras há a ocorrência de alunos que trabalham fora de casa e que pretendem continuar trabalhando após o término do 9o ano. Neste sentido, Ortigão & Aguiar (2013), ao analisarem os dados da Prova Brasil 2009, relacionados aos discentes do 5o ano do ensino fundamental, puderam concluir que os alunos provenientes de famílias de poder econô- mico médio e alto apresentam menor risco de reprovação quando comparados aos de famílias com baixas condições econômicas.
É importante destacar, ainda, a frequência de leitura e o acompanhamento dos pais em reu- niões escolares. Observa-se que nas regras foram vistas regularidades medianas em ambos os fatores. Além disso, as diferenças em relação ao gênero têm sido apontadas pela literatura edu- cacional, onde se enfatiza melhorias nos resultados obtidos por meninas em relação aos meninos (Madeira & Rodrigues, 1998). Ainda sobre esta questão, Baudelot & Establet (1991) abordam as possíveis causas para esta conclusão. Segundo os autores, as meninas têm melhor adaptação no ambiente escolar, uma vez que possuem um comportamento mais ordeiro decorrente de uma socialização primária e familiar. Ressaltam também que meninas possuem mais organização e disciplina, características essenciais para alcançar resultados positivos na trajetória escolar.
6. CONCLUSÃO
O presente trabalho extraiu aspectos relacionados à repetência de alunos do 9o ano do en- sino fundamental, residentes no Rio de Janeiro. Para a extração destas informações, foram executadas tarefas de pré-processamento, essenciais para garantir a confiabilidade dos resulta- dos posteriores.
Com o trabalho aqui desenvolvido, pode-se constatar o potencial da utilização de algorit- mos de mineração para a descoberta de conhecimento em bases de dados educacionais. Mais especificamente, por intermédio do algoritmoApriori, foram detectadas associações que podem fomentar a discussão sobre o perfil de estudantes com maiores dificuldades de aprendizagem.
Na reportagem de Fajardo (2018), são apresentados importantes dados e argumentos a respeito da repetência escolar. No contexto econômico, o Brasil despendeu dos cofres públicos cerca de R$ 16 bilhões ao reprovar em 2016 aproximadamente 3 milhões de alunos da educação básica, o equivalente a 10,26% do total de estudantes da rede pública. Além dos aspectos financei- ros, é amplamente discutido o custo social, uma vez que a repetência atinge principalmente os alunos com menor poder aquisitivo. Consequentemente, reforça a desigualdade social. Ao ser entrevistado por Fajardo (2018), Cesar Callegari, membro do Conselho Nacional da Educação (CNE), aponta que tais custos não podem implicar em aprovação automática, uma vez que deve existir um comprometimento com o efetivo aprendizado. Por outro lado, Callegari defende que a repetência deve estar aliada com estratégias complementares para não gerar a evasão.
É notório, portanto, que pesquisas relacionadas à repetência escolar devem ser conduzidas para fomentar a discussão e nortear os tomadores de decisões. O presente trabalho apresentou resultados iniciais e terá continuidade com a execução de outras simulações. Pretende-se, como trabalhos futuros, enriquecer a discussão acerca dos resultados encontrados e explorar outras questões provenientes dos questionários que coletam informações a respeito dos professores,
diretores e escolas, uma vez que tais dados também são disponibilizados nositedo Inep.
Agradecimentos
O presente trabalho foi realizado com o apoio financeiro da FAPERJ.
REFERÊNCIAS
Agrawal, R.; Srikant, R. (1994), “Fast Algorithms for Mining Association Rules”. In:20th INT’L CON- FERENCE ON VERY LARGE DATABASES, 1994. Proceedings. Santiago.
Baudelot, C.; Establet, R. (1991),“Allez les filles”. Paris: PUF.
Fajardo, V. (2018). “Brasil gasta R$ 16 bilhões com reprovação de 3 milhões de alunos em 2016, aponta levantamento”. Disponível em:< https://g1.globo.com/educacao/noticia/brasil-gasta-r-16- bilhoes-com-reprovacao-de-3-milhoes-de-alunos-em-2016-aponta-levantamento.ghtml>. Acesso em:
24 de mar. 2018.
Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P. (1996), “From data mining to knowledge discovery in databases”,AI Magazine, American Association for Artificial Intelligence, California, USA, v. 17, n.
3, p. 37-54.
Hahsler, M. (2015), “A Probabilistic Comparison of Commonly Used Interest Measures for Associa- tion Rules”. Disponível em: <http://michael.hahsler.net/research/association−rules/measures.html>.
Acesso em: 23 de mar. 2018.
Han, J.; Kamber, M.; Pei, J. (2012),“Data Mining: Concepts and Techniques”. 3aed., Waltham, USA:
Morgan Kaufmann Publishers.
Inep (2015). “Microdados da Aneb e da Anresc 2013”. Brasília: Inep, 2015. Disponível em:
<http://portal.inep.gov.br/basicalevantamentos-acessar>. Acesso em: 30 de mai. 2015.
Leon, F. L. L. de; Menezes-Filho, N. A. (2002). “Reprovação, avanço e evasão escolar no Brasil”.
Pesquisa e Planejamento Econômico, Rio de Janeiro, v. 32, n. 3, p. 417-451.
Madeira, F.; Rodrigues, E. M. (1998). “Recado dos jovens: mais qualificação”. In: COMISSÃO NA- CIONAL DE POPULAÇÃO E DESENVOLVIMENTO.Jovens acontecendo na trilha das políticas públicas. Brasília: CPND, 1998. v. 2, p. 427-498.
Ortigão, M. I. R.; Aguiar, G. S. (2013). “Repetência escolar nos anos iniciais do ensino fundamental:
evidências a partir dos dados da Prova Brasil 2009”.Rev. Bras. Estud. Pedagog., Brasília, v. 94, n.
237, p.364-389.
Quinlan, J. R. (1986), “Induction of decision trees”.Machine Learning, Kluwer Academic Publishers, Boston, USA, v. 1, n. 1, p. 81-106.
Tan, P.; Steinbach, M.; Kumar, V. (2009),“Introdução ao Data Mining: Mineração de Dados”. Rio de Janeiro: Editora Ciência Moderna Ltda.
The PostgreSQL Global Development Group. “PostgreSQL Database Management System” (Versão 9.2). 1995. Programa de Computador. Disponível em: <http://www.postgresql.org.br>.
The University of Waikato. “Weka” (Versão 3.8.2). 1999. Programa de Computador. Disponível em:
<http://www.weka.org.br>.
Witten, I. H.; Frank, E.; Hall, M. (2011),“Data Mining: Practical Machine Learning Tools and Techni- ques”. USA: Morgan Kaufmann Publishers Inc., San Francisco.
USE OF AN ASSOCIATION ALGORITHM FOR DISCOVERING ASPECTS RELATED TO SCHOOL REPETITION
Abstract. The present article shows an exploratory study about the repetition of the 9th year of primary education students. The work focuses on the State of Rio de Janeiro. Through data collected by Prova Brasil, we analyze characteristics related to students that are associated with repetition. For the extraction of this information, steps are taken to clean and treat the data and the association algorithm Apriori is used in the data mining stage. Finally, conclusions are drawn about the generated model and the results obtained.
Keywords: School Failure, Educational Data, Prova Brasil, Data Mining, Apriori Algorithm.
